Sztuczna inteligencja w ubezpieczeniach: od eksperymentów do transformacji

Adopcja AI w biznesie

Bez wątpienia beneficjentami rosnącego znaczenia AI są firmy technologiczne bezpośrednio zaangażowane w tworzenie samej technologii AI oraz dostarczające niezbędny sprzętu i infrastrukturę do jej rozwoju. Ale co z tego wynika dla biznesu i jak to przekłada się na rzeczywiste korzyści, jakie mogą z tego płynąć dla firm, których zasadnicza działalność nie dotyczy technologii AI? Z raporty EY opublikowanego w marcu br. bazującego na badaniach przeprowadzonych na ponad 500 dużych i średnich firmach działających w Polsce wynika, że już 65% z nich zakończyło lub jest w trakcie realizacji przynajmniej jednego projektu wdrożenia wykorzystującego sztuczną inteligencję. Natomiast wśród firm z sektora usług finansowych odsetek ten wynosi aż 89% (źródło: www.ey.com). Obszarami, które instytucje finansowe wskazują jako te, gdzie obserwowane są największe korzyści z zastosowania AI to przede wszystkim poprawa jakości usług (50% ankietowanych) raz zmniejszenie kosztów działania (37,5% ankietowanych).

Trzy poziomy adopcji AI

Analizując, jakie konkretnie rozwiązania AI są wdrażane i w jakich obszarach, to można podzielić je na 3 poziomy.

a) Wzrost indywidualnej efektywności

Pierwszy poziom to narzędzia zwiększające efektywność pracy jednostki – głównie w formie tzw. copilotów. Połączone z aplikacjami biurowymi, komunikatorami i systemami do zarządzania dokumentacją, wspomagają użytkowników w codziennych zadaniach: od przygotowywania notatek, raportów, tłumaczeń, po planowanie spotkań. W IT wspierają programowanie, testowanie i dokumentowanie. Szacuje się, że wykorzystanie takich narzędzi może zaoszczędzić 10–20% czasu pracy. Ich uniwersalność sprawia, że mogą być wdrażane w niemal każdej branży – od ubezpieczeń po produkcję.

b) Automatyzacja procesów biznesowych

Druga grupa to rozwiązania AI, które są integrowane z innymi systemami biznesowymi w celu automatyzowania i usprawniania sposobów realizacji określonych procesów biznesowych. Przy-kładem procesu w zakładach ubezpieczeń, gdzie takie narzędzia AI mogą być wdrażane jest underwiting. W szczególności wykorzystanie AI może przynieść istotne korzyści w przypadku obsługi klientów firmowych, gdzie każda przygotowywana oferta dla klienta ma swoją specyfikę i wymaga zgromadzenia oraz sprawdzenia wielu dokumentów i informacji, w tym ze źródeł zewnętrznych. Nowoczesne systemy agentowe oparte na AI potrafią samodzielnie zaplanować i wykonać zadania: weryfikować kompletność dokumentów, pobierać dane z rejestrów, wyliczać ryzyko, przygotować ofertę i wiadomość do klienta. Tego typu rozwiązania są już obecnie wdrażane, przykładem jest BRIAN, czyli narzędzie wdrożone w Allianz UK i używany przez ponad 260 underwiterów majątkowych (źródło: www.allianz.com).

Inny ciekawy przykład wykorzystania AI - Allstate, czwarty co do wielkości zakład ubezpieczeń w USA, używa Generatywną AI do przygotowywania odpowiedzi na korespondencję (źródło: www. wsj.com). Ponad 23 tys. pracowników zajmujących się obsługa likwidacji szkód otrzymuje automatycznie przygotowane wiadomości, które następnie są przez nich weryfikowane i wysyłane do klientów. W efekcie wykorzystania AI w komunikacji jest taki, że klienci oceniają korespondencję na bardziej empatyczną i nie ma w niej niezrozumiałego dla klienta żargonu branżowego.

c) Transformacyjne zastosowania AI

Powyższej opisane zastosowania AI miały na celu usprawnić dotychczas realizowane procesy, zwiększyć efektywność i poprawić jakość świadczonych usług. Natomiast trzecia grupa to takie zastosowania AI, które mogą całkowicie zmienić sposób realizacji procesów lub pozwolić na wprowadzenie prawdziwie transformacyjnych zmian w organizacji. Bez wątpienia jest to kategoria najtrudniejsza, ponieważ wymaga zarówno niestandardowego pomysłu, jak również największych zmian w organizacji i dotychczasowych procesach. Inspiracją niech będzie wyjątkowa cecha Generatywnej AI, jaką jest umiejętność rozumienia wielu języków, dostosowania sposobu przekazu treści do specyficznych potrzeb odbiorców (np. wieku, wykształcenia lub niepełnosprawności), a także multi-modalność (czyli posługiwanie się tekstem pisanym, mową, a nawet językiem migowym). Wykorzystanie takich możliwości AI, otwiera zarówno perspektywy zwiększenia zasięgu działania poprzez wyjście na inne rynki, jak i dotarcie z ofertą dla grup i osób narażonych na wykluczenia społeczne z uwagi na ich ograniczenia.

Zanim AI stało się tematem wszechobecnym, były czasy, w których bardzo dużo uwagi poświęcano zagadnieniom monetyzacji i demokratyzacji danych. W tym celu organizacje przygotowywały strategie, przebudowywały architektury danych (np. budowane były Data Lakehouse, Data Mesh) i wdrażano polityki ładu danych (czyli Data Governance). Ale pomimo coraz bardziej zaawansowanych narzędzi do samodzielnego analizowania danych (tzw. self-service BI), potrzeby biznesowe okazują się bardziej wymagające niż to, co oferują narzędzia. Natomiast tutaj z pomocą przychodzi właśnie sztuczna inteligencja. AI może również umożliwić prawdziwą demokratyzację danych. Dzięki interfejsom języka naturalnego każdy użytkownik – niezależnie od umiejętności technicznych – może zadawać pytania, otrzy-mywać odpowiedzi i wizualizacje, a także kontynuować pogłębioną analizę. Otwiera to drogę do stworzenia osobistego, konwersacyjnego analityka dostępnego „na żądanie”.

Co jest warunkiem koniecznym, aby takie narzędzia mogły działać w naszej organizacji? Oprócz tego, że powinniśmy mieć dostęp do modeli generatywnego AI, to warunkiem koniecznym jest posiadanie metadanych. Metadane to zgromadzona w sposób uporządkowany wiedza o naszych danych oraz procesach, które te dane przetwarzają. Agent AI, który ma wiedzę zgromadzoną w metadanych i jednocześnie dostęp do naszych danych, będzie w stanie wykonywać samodzielnie analizy, wykorzystać nasz własnych kod, a nawet tworzyć samodzielnie fragmenty kodu oraz modele analityczne, aby – tak jak analityk danych – wykonać postawione jemu zadanie, np. sprawdzenia wpływu zmiany schematu pricingowego na dochodowość portfela.

Warunki skutecznych wdrożeń

Dotychczas wśród firm wdrażających rozwiązania AI dominowało podejście projektowe, które zaczynało się od przygotowania prototypu (tzw. Proof-of-Concept, PoC) i jeśli uzyskał on pozytywny odbiór, to w sposób iteracyjnym był następnie rozbudowywany, aby nabrać kształtu docelowego rozwiązania. Na ogół firmy nie miały większego problemu ze znajdowaniem przypadków użycia, dla których następnie były wykonywane PoC. Co więcej, takie eksperymentowanie z nową technologią jest jak najbardziej wskazane, gdyż pracownicy lepiej poznają możliwości i ograniczenia, nabierają doświadczenia i uruchamia się potrzebna przy innowacyjnych projektach kreatywność. Wyzwaniem natomiast jest doprowadzenie takiego projektu do uruchomienia w pełnej skali w procesach biznesowych. Doświadczenia te potwierdzają się również w wynikach wspomnianego wcześniej badania wśród polskich firm. W 2023 r. dominowały właśnie eksperymenty, i było to naturalne, gdyż firmy głównie poznawały nowe technologie, których koszty były na tyle wysokie, że utrudniały wypracowanie dobrego uzasadnienia biznesowego. Natomiast w poprzednim roku firmy dostrzegły, że największą barierą są trudności procesowe i organizacyjne, aby w pełnej skali wdrażać AI w swoje operacje i produkcyjne użytkowanie.

Jak wobec tego działać, aby z jednej strony zapewnić zwinność przy wdrażaniu tak szybko rozwijającej się technologii, minimalizować powtarzające się błędy i dzielić doświadczeniami, a jednocześnie zapewnić, aby czas i zasoby organizacji były angażowane w obszary dające największe korzyści biznesowe? Kluczowe jest wypracowanie i wdrożenie modelu operacyjnego, którego główną funkcją będzie zapewnienie odpowiednich mechanizmów decyzyjnych, nadzorczych i koordynacyjnych wszystkich interesariuszy zaangażowanych w tworzenie i rozwój narzędzi wykorzystujących AI.

Jednocześnie należy pamiętać, że wdrożenie takiego modelu operacyjnego jest zmianą i poza zaprojektowaniem samego modelu, należy równie dokładnie zaplanować proces wdrożenia tej zmiany i na bieżąco nim zarządzać. Mówiąc o zmianie, mówimy przede wszystkim o ludziach w naszych organizacjach. Powodzenie tej zmiany w dużej mierze zależy od tego, jak będzie ona komunikowana i jak dobrze przygotujemy do niej pracowników. Powołując się na nasze badania, niestety obraz ten nie prezentuje się najlepiej, gdyż tylko 13% firm spośród uczestniczących w badaniu zadeklarowało, że na szkolenia i edukacje pracowników w zakresie AI przeznaczył część swojego budżetu i jednocześnie był to najrzadziej wybierany obszar inwestycji wśród wszystkich badanych kategorii.

Wnioski i rekomendacje

Za nami ponad dwa i pół roku intensywnych dyskusji, ale również i działań związanych z adopcją AI w firmach. W roku bieżącym i następnym będziemy świadkami coraz bardziej śmiałych wdrożeń AI w instytucjach finansowych i zakłady ubezpieczeń mają szansę stać się liderami tej zmiany – pod warunkiem, że potraktują AI jako strategiczne narzędzie biznesowe.

Rozwiązania agentowe znajdą zastosowanie w coraz większej liczbie procesów, gdzie będą wspomagać pracowników w zaawansowanych zadaniach. Będziemy również obserwować coraz większą liczbę instytucji, w których kontakt z klientem końcowym będzie realizowany z użyciem inteligentnych chatbotów i voicebotów. Będzie to także okres inwestowania w dane, zarówno w nowoczesne platformy, jak i w ład danych.

Sztuczna inteligencja przestaje być eksperymentem – staje się częścią strategicznych decyzji. Dla sektora ubezpieczeń oznacza to konieczność nie tylko wdrażania narzędzi, ale przede wszystkim budowy kompetencji i modeli operacyjnych wspierających ich odpowiedzialne wykorzystanie. AI, odpowiednio wdrożona, może stać się realnym wsparciem pracowników i źródłem przewagi konkurencyjnej.

Artykuł został opublikowany na łamach Miesięcznika Ubezpieczeniowego Tom 22 nr 7/8 Lipiec/Sierpień 2025